一种扩展情感词典的方法、装置、计算机设备和存储介质与流程

1.本发明涉及情感分析技术领域，尤其是涉及一种扩展情感词典的方法、装置、计算机设备和存储介质。


背景技术：

2.文章、语句、评论等文本通常能够反映发表者的情感倾向，如针对某事件的态度倾向、针对某物体或某人物的喜好倾向等。通常用于表达意见、观点、态度的词语往往具有一定的情感倾向，基于这些词语所构建的情感词典，具有十分重要的意义，可用于个人形象的维护、企业营销管理及品牌宣传、商家对产品的改进等方面。
3.目前构建情感词典的方法有：
4.1、专家标注法
5.专家标注法是一种最直接的方法，即由专家通过阅读大量相关语料或借助现有词典,人工总结出具有情感倾向的词,标注其情感极性或强度,构成词典。如已有的wordnet、 general inquirer(gi)词典和知网情感分析用词语集等。
6.缺点：
7.需要大量的人工标注工作，效率较低且易受到主观性的影响；
8.情感强度标注的细粒度与精确度得不到保证。
9.2、基于语料库的方法
10.基于语料库的方法比较有代表性的方法主要是so
‑
pmi(情感倾向点互信息算法，semanticorientation pointwise mutual information)，so
‑
pmi算法由两部分组成：so
‑
pmi和pmi。算法整体思想很简单，判断需要判断的词语p(word)与基准词p(base)同时出现的概率，如果与积极(positive)的词同时出现的概率更高，那么就判断为积极的词语，如果与消极 (negative)的词同时出现的概率更高，那么就判断为消极的词语，如果与积极和消极的概率相同，那么就判断为中性的词语。
11.缺点：
12.如果一个词出现概率比较小，得不到该词语的正确情感倾向；
13.共现窗口比较难选取；
14.没有考虑词语的语义；
15.得到的极性类别只有一个，但是通常情况下，很多词语在不同的语境中，其极性是不一样的，因此，有些词存在多重极性。


技术实现要素：

16.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种扩展情感词典的方法、装置、计算机设备和存储介质。
17.第一方面，本发明实施例提供了一种的方法，所述方法包括以下步骤：
18.获取文本数据，对所述文本数据进行分词处理，根据得到的分词确定文本数据的
目标分词；
19.统计所述目标分词的词频，将词频最大的前n个目标分词作为词集合；
20.将词集合与预先构建的基础情感词典取交集，得到由种子词组成的种子情感词典；所述种子情感词典包括积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典；
21.分别计算所述目标分词tf_idf值，将tf_idf值大于预设阈值的目标分词作为基础情感词典的新增词；
22.基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性；
23.基于新增词的情感向量表示、新增词对应情感极性的种子情感词典的情感中心向量表示、新增词对应情感极性的种子情感词典的平均极性值确定新增词的极性值。
24.可选地，所述根据得到的分词确定文本数据的目标分词，包括：
25.去除得到的分词中的停用词，将剩余的分词作为目标分词。
26.可选地，所述基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性，包括：
27.将新增词、种子词分别输入词向量模型训练得到新增词向量、种子词向量，基于新增词向量与各种子词向量的余弦相似度，确定新增词的相似度向量；
28.基于新增词的相似度向量、各种子词的极性值、新增词的tf_idf值确定新增词的情感向量表示。
29.可选地，所述基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性，还包括：
30.基于种子词向量与各种子词向量的余弦相似度，确定种子词的相似度向量；
31.基于种子词的相似度向量、各种子词的极性值、种子词的tf_idf值确定种子词的情感向量表示；
32.基于种子词的情感向量表示确定各情感极性的种子情感词典的情感中心向量表示。
33.可选地，所述基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性，还包括：
34.基于种子词向量与其所在种子情感词典的中心向量的余弦相似度确定种子词的极性值。
35.第二方面，本发明实施例提供了一种扩展情感词典的装置，所述装置包括：
36.目标分词确定模块，用于获取文本数据，对所述文本数据进行分词处理，根据得到的分词确定文本数据的目标分词；
37.词集合确定模块，用于统计所述目标分词的词频，将词频最大的前n个目标分词作为词集合；
38.种子情感词典确定模块，用于将词集合与预先构建的基础情感词典取交集，得到由种子词组成的种子情感词典；所述种子情感词典包括积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典；
39.新增词确定模块，用于分别计算所述目标分词tf_idf值，将tf_idf值大于预设阈
值的目标分词作为基础情感词典的新增词；
40.新增词情感极性确定模块，用于基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性；
41.新增词极性值确定模块，用于基于新增词的情感向量表示、新增词对应情感极性的种子情感词典的情感中心向量表示、新增词对应情感极性的种子情感词典的平均极性值确定新增词的极性值。
42.可选地，所述目标分词确定模块还包括：
43.停用词去除子模块，用于去除得到的分词中的停用词，将剩余的分词作为目标分词。
44.可选地，所述新增词情感极性确定模块包括：
45.新增词相似度向量确定子模块，用于将新增词、种子词分别输入词向量模型训练得到新增词向量、种子词向量，基于新增词向量与各种子词向量的余弦相似度，确定新增词的相似度向量；
46.新增词情感向量表示确定子模块，用于基于新增词的相似度向量、各种子词的极性值、新增词的tf_idf值确定新增词的情感向量表示。
47.可选地，所述新增词情感极性确定模块还包括：
48.种子词相似度向量确定子模块，用于基于种子词向量与各种子词向量的余弦相似度，确定种子词的相似度向量；
49.种子词情感向量表示确定子模块，用于基于种子词的相似度向量、各种子词的极性值、种子词的tf_idf值确定种子词的情感向量表示；
50.种子情感词典情感中心向量表示确定子模块，用于基于种子词的情感向量表示确定各情感极性的种子情感词典的情感中心向量表示。
51.可选地，所述新增词情感极性确定模块还包括：
52.种子词极性值确定子模块，用于基于种子词向量与其所在种子情感词典的中心向量的余弦相似度确定种子词的极性值。
53.第三方面，本发明实施例提供了一种计算机设备，所述计算机设备包括：
54.一个或多个处理器；
55.存储器，用于存储一个或多个程序；
56.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一项所述的扩展情感词典的方法。
57.第四方面，本发明实施例提供了一种计算机可读存储介质。
58.所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述的扩展情感词典的方法。
59.在本实施例中，获取文本数据，对所述文本数据进行分词处理，根据得到的分词确定文本数据的目标分词；统计所述目标分词的词频，将词频最大的前n个目标分词作为词集合；将词集合与预先构建的基础情感词典取交集，得到由种子词组成的种子情感词典；所述种子情感词典包括积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典；分别计算所述目标分词tf_idf值，将tf_idf值大于预设阈值的目标分词作为基础情感词典的新增词；基于新增词的情感向量表示、新增词的词性、各情感极性的种
子情感词典的情感中心向量表示确定新增词的情感极性；基于新增词的情感向量表示、新增词对应情感极性的种子情感词典的情感中心向量表示、新增词对应情感极性的种子情感词典的平均极性值确定新增词的极性值。基于表示学习对情感词典进行扩展，不需要人工对词进行标注，每个词可以赋予不同的情感极性值，极性表达能力更强。
附图说明
60.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
61.图1为本发明实施例一提供的一种扩展情感词典的方法的流程图；
62.图2为本发明实施例二提供的一种扩展情感词典的装置的结构示意图；
63.图3为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
64.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
65.实施例一
66.图1为本发明实施例一提供的一种扩展情感词典的方法的流程图，该方法可以由扩展情感词典的装置来执行，该扩展情感词典的装置可以由软件和/或硬件实现，可以配置在计算机设备中，例如，服务器、个人电脑，等等，具体包括如下步骤：
67.步骤101、获取文本数据，对所述文本数据进行分词处理，根据得到的分词确定文本数据的目标分词。
68.文章、语句、评论等文本通常能够反映发表者的情感倾向，如针对某事件的态度倾向、针对某物体或某人物的喜好倾向等。通常用于表达意见、观点、态度的词语往往具有一定的情感倾向，基于这些词语所构建的情感词典，具有十分重要的意义，可用于个人形象的维护、企业营销管理及品牌宣传、商家对产品的改进等方面。
69.上述文本数据可以从一种或多种应用场景中获取，例如，可以从社交平台、直播平台、货品交易平台等平台中获取，本实施例对于待识别文本的具体来源及其获取方式并不进行限制。
70.在一种实施方式中，对文本数据进行分词处理后，去除得到的分词中的停用词，将剩余的分词作为目标分词。
71.停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为stop words(停用词)。对于一个给定的目的，任何一类的词语都可以被选作停用词。对于情感识别这目的，停用词是指于在情感识别中没实际含义的词，如“是”、“在”、“这”、“哪”、“上”、“下”、“一个”、“at”、“is”、“a”等等，因而可以去除停用词.
72.步骤102、统计所述目标分词的词频，将词频最大的前n个目标分词作为词集合。
73.词频可以用以评估一个词于文本数据的重复程度，词的重要性与它在文本数据的出现次数成正比，因而选择将词频最大的前n个目标分词作为词集合。示例性地，可以选择将词频最大的前1000个目标分词作为词集合。
74.步骤103、将词集合与预先构建的基础情感词典取交集，得到由种子词组成的种子情感词典；所述种子情感词典包括积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典。
75.基础情感词典可以是他人已构建好的情感词典，如中国台湾大学中文情感极性词典、大连理工大学中文情感词典、知网情感词典(hownet)等等，也可以为多个情感词典整合去重后的情感词典。本实施例对于情感词典的具体来源及构建方式并不进行限制。
76.所述基础情感词典根据情感极性可以分积极基础情感子词典、消极基础情感子词典、程度副词基础情感子词典、否定副词基础情感子词典这4个部分。词集合与基础情感词典取交集，可以得到由种子词组成的种子情感词典，同样的，种子情感词典根据情感极性可以分为积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典这 4个部分。
77.步骤104、分别计算所述目标分词tf_idf值，将tf_idf值大于预设阈值的目标分词作为基础情感词典的新增词。
78.tf
‑
idf(term frequency
–
inverse document frequency)是一种用于信息检索与数据挖掘的常用加权技术，可以用于评估一字词对于文本数据的重要程度。某个词在文章中的 tf_idf值越大，那么一般而言这个词在这篇文章的重要性会越高。因而，选择tf_idf值大于预设阈值的目标分词作为基础情感词典的新增词，如选择tf_idf值大于0.4的目标分词作为基础情感词典的新增词。当然，预设阈值还可以根据实际情况而选择其它数值，本实施例对预设阈值的具体取值并不进行限制。
79.步骤105、基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性。
80.对于任一新增词c
i
，分别计算其情感向量表示与积极种子情感词典的情感中心向量表示pos
′
centre
、消极种子情感词典的情感中心向量表示neg
′
centre
、否定副词种子情感词典的情感中心向量表示na
′
centre
、程度副词种子情感词典的情感中心向量表示的余弦相似度，再根据新增词c
i
的情感向量表示与各情感极性的种子情感词典的情感中心向量表示的余弦相似度，以及新增词c
i
的词性，确定新增词c
i
的情感极性。
81.例如，新增词c
i
的情感极性可以采用以下规则进行判断：
82.[0083][0084]
需要说明的是，在以上示出的实施方式中，关于新增词c
i
的情感极性判断的具体规则，以上仅仅是一种示例性的描述，并不对本说明书做限制。在实际应用中，还可以采用其它情感极性判断规则。
[0085]
在一种实施方式中，步骤105包括：
[0086]
子步骤1051、将新增词、种子词分别输入词向量模型训练得到新增词向量、种子词向量，基于新增词向量与各种子词向量的余弦相似度，确定新增词的相似度向量。
[0087]
将目标分词输入至word2vec模型进行训练，可以获得设定维度词向量模型vector.w2v，如获得128维词向量模型vector.w2v。将新增词、种子词分别输入词向量模型训练得到新增词向量、种子词向量。
[0088]
对于任一新增词c
i
,分别计算新增词向量与各种子词向量的余弦相似度，可以得到新增词的相似度向量
[0089]
sim
i
＝(sim
i1
，sim
i2
，
…
，sim
ik
，)
[0090]
其中，k表示种子词的数量。
[0091]
子步骤1052、基于新增词的相似度向量、各种子词的极性值、新增词的tf_idf值确定新增词的情感向量表示。
[0092]
对于任一新增词c
i
,其情感向量表示可以采用以下计算方法：
[0093][0094]
其中，tf﹣idf
i
为新增词c
i
的tf﹣idf值，w
i
为种子词s
i
的极性值。
[0095]
种子词的极性值可以基于种子词向量与其所在种子情感词典的中心向量的余弦相似度确定。
[0096]
例如，积极种子情感词典的中心向量可以采用以下计算方法：
[0097]
pos
centre
＝(pos
centre1
，pos
centre2
,
…
,pos
centred
)
[0098][0099]
其中，d为种子词向量的维度，k
pos
表示积极种子情感词典中种子词的数量，x
ij
表示积极种子情感词典中第i个词词向量第j维的向量值。
[0100]
采用相同的方法，计算消极种子情感词典的中心向量neg
centre
、程度副词种子情感词典的中心向量na
centre
、否定副词种子情感词典的中心向量da
centre
。
[0101]
计算种子词向量与其所在种子情感词典的中心向量的余弦相似度，如果种子词的极性为积极或否定副词，则将余弦相似度赋值给其极性值，如果种子词的极性为消极或程度副词，则将余弦相似度的相反数赋值给其极性值。
[0102]
种子词集合sw＝{(s1,w1),(s2,w2),
…
(s
k
,w
k
)},其中，w
i
为种子词s
i
的极性值。
[0103]
在一种实施方式中，步骤105还包括：
[0104]
子步骤1053、基于种子词向量与各种子词向量的余弦相似度，确定种子词的相似度向量。
[0105]
子步骤1054、基于种子词的相似度向量、各种子词的极性值、种子词的tf_idf值确定种子词的情感向量表示。
[0106]
对于任一种子词s
i
,其情感向量表示可以采用以下计算方法：
[0107][0108]
其中，tf﹣idf
′
i
为种子词s
i
的tf﹣idf值，w
i
为种子词s
i
的极性值。
[0109]
子步骤1055、基于种子词的情感向量表示确定各情感极性的种子情感词典的情感中心向量表示。
[0110]
例如，积极种子情感词典的情感中心向量表示可以采用以下计算方法：
[0111][0112][0113]
其中，k
pos
表示积极种子情感词典中种子词的数量，x
ij
表示积极种子情感词典中第i个词词向量第j维的向量值。
[0114]
采用相同的方法，计算消极种子情感词典的情感中心向量表示neg
′
centre
、程度副词种子情感词典的情感中心向量表示na
′
centre
、否定副词种子情感词典的情感中心向量表示 da
′
centre
。
[0115]
步骤106、基于新增词的情感向量表示、新增词对应情感极性的种子情感词典的情感中心向量表示、新增词对应情感极性的种子情感词典的平均极性值确定新增词的极性值。
[0116]
对于任一新增词c
i
,其积极极性值可以采用以下计算方法：
[0117][0118]
其中，表示新增词c
i
的情感向量表示与积极种子情感词典的情感中心向量表示的余弦相似度，表示积极种子情感词典的平均极性。
[0119]
采用相同的方法，计算得到新增词ci的消极极性值、否定极性值和程度极性值。
[0120]
若新增词ci仅具有一种极性，则将会赋予其唯一情感极性值，若新增词ci具有两种或两种以上极性，则将会于对应情感极性的种子情感词典中赋予其不同的情感极性值。
[0121]
在本实施例中，获取文本数据，对所述文本数据进行分词处理，根据得到的分词确定文本数据的目标分词；统计所述目标分词的词频，将词频最大的前n个目标分词作为词集合；将词集合与预先构建的基础情感词典取交集，得到由种子词组成的种子情感词典；所述种子情感词典包括积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典；分别计算所述目标分词tf_idf值，将tf_idf值大于预设阈值的目标分词作为基础情感词典的新增词；基于新增词的情感向量表示、新增词的词性、各情感极性的种
子情感词典的情感中心向量表示确定新增词的情感极性；基于新增词的情感向量表示、新增词对应情感极性的种子情感词典的情感中心向量表示、新增词对应情感极性的种子情感词典的平均极性值确定新增词的极性值。基于表示学习对情感词典进行扩展，不需要人工对词进行标注，每个词可以赋予不同的情感极性值，极性表达能力更强。
[0122]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0123]
实施例二
[0124]
图2为本发明实施例二提供的一种扩展情感词典的装置的结构示意图，所述扩展情感词典的装置具体可以包括如下模块：
[0125]
目标分词确定模块201，用于获取文本数据，对所述文本数据进行分词处理，根据得到的分词确定文本数据的目标分词；
[0126]
词集合确定模块202，用于统计所述目标分词的词频，将词频最大的前n个目标分词作为词集合；
[0127]
种子情感词典确定模块203，用于将词集合与预先构建的基础情感词典取交集，得到由种子词组成的种子情感词典；所述种子情感词典包括积极种子情感词典、消极种子情感词典、否定副词种子情感词典、程度副词种子情感词典；
[0128]
新增词确定模块204，用于分别计算所述目标分词tf_idf值，将tf_idf值大于预设阈值的目标分词作为基础情感词典的新增词；
[0129]
新增词情感极性确定模块205，用于基于新增词的情感向量表示、新增词的词性、各情感极性的种子情感词典的情感中心向量表示确定新增词的情感极性；
[0130]
新增词极性值确定模块206，用于基于新增词的情感向量表示、新增词对应情感极性的种子情感词典的情感中心向量表示、新增词对应情感极性的种子情感词典的平均极性值确定新增词的极性值。
[0131]
在一种实施方式中，所述目标分词确定模块201还包括：
[0132]
停用词去除子模块，用于去除得到的分词中的停用词，将剩余的分词作为目标分词。
[0133]
在一种实施方式中，所述新增词情感极性确定模块205包括：
[0134]
新增词相似度向量确定子模块，用于将新增词、种子词分别输入词向量模型训练得到新增词向量、种子词向量，基于新增词向量与各种子词向量的余弦相似度，确定新增词的相似度向量；
[0135]
新增词情感向量表示确定子模块，用于基于新增词的相似度向量、各种子词的极性值、新增词的tf_idf值确定新增词的情感向量表示。
[0136]
在一种实施方式中，所述新增词情感极性确定模块205还包括：
[0137]
种子词相似度向量确定子模块，用于基于种子词向量与各种子词向量的余弦相似度，确定种子词的相似度向量；
[0138]
种子词情感向量表示确定子模块，用于基于种子词的相似度向量、各种子词的极
性值、种子词的tf_idf值确定种子词的情感向量表示；
[0139]
种子情感词典情感中心向量表示确定子模块，用于基于种子词的情感向量表示确定各情感极性的种子情感词典的情感中心向量表示。
[0140]
在一种实施方式中，所述新增词情感极性确定模块205还包括：
[0141]
种子词极性值确定子模块，用于基于种子词向量与其所在种子情感词典的中心向量的余弦相似度确定种子词的极性值。
[0142]
本发明实施例所提供的扩展情感词典的装置可执行本发明任意实施例所提供的扩展情感词典的方法，具备执行方法相应的功能模块和有益效果。
[0143]
实施例三
[0144]
图3为本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0145]
如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0146]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0147]
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0148]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd
‑
rom,dvd
‑
rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0149]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0150]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等) 通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网
络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0151]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的扩展情感词典的方法。
[0152]
实施例四
[0153]
本发明实施例四还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述扩展情感词典的方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0154]
其中，计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0155]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。